# Malaria Parasitic Detection using a New Deep Boosted and Ensemble Learning Framework

**Authors:** Saddam Hussain Khan  
**arXiv:** [2212.02477](https://arxiv.org/abs/2212.02477)  
**Date:** 2022-12-05  
**Summary page:** https://www.summarizepaper.com/fr/paper/2212.02477v2/

## Key points

- La malaria est une maladie potentiellement mortelle causée par le parasite Plasmodium injecté par les moustiques anophèles femelles.
- Le dépistage manuel de la malaria est laborieux et sujet aux erreurs.
- Un nouveau cadre d'apprentissage en profondeur et d'ensemble appelé DBEL a été développé pour le dépistage des parasites du paludisme.
- Le cadre DBEL comprend l'empilement de nouveaux réseaux neuronaux à convolution Boosted-BR-STM (CNN) et de classificateurs d'apprentissage automatique en ensemble.
- Le Boosted-BR-STM proposé est basé sur un nouveau bloc STM à convolution dilatée et sur les idées de Squeezing-Boosting (SB) des cartes de caractéristiques.
- Le nouveau bloc STM utilise des opérations régionales et frontalières pour apprendre les motifs spécifiques des parasites du paludisme.
- Le cadre DBEL implique l'empilement de canaux boostés remarquables et diversifiés, fournissant ainsi les caractéristiques discriminantes générées par le Boosted-BR-STM développé à l'ensemble des classificateurs d'apprentissage automatique.
- Le cadre DBEL a atteint une précision de 98,50%, une sensibilité de 0,9920, un score F de 0,9850 et une AUC (aire sous la courbe) de 0,997 dans le dépistage des parasites du paludisme.

## Summary

La malaria est une maladie potentiellement mortelle causée par le parasite Plasmodium injecté par les moustiques anophèles femelles. Elle infecte les globules rouges et touche des millions de personnes dans le monde chaque année. Cependant, le dépistage manuel réalisé par des spécialistes dans la pratique clinique est laborieux et sujet aux erreurs. Pour remédier à cela, un nouveau cadre d'apprentissage en profondeur et d'ensemble appelé Deep Boosted and Ensemble Learning (DBEL) a été développé pour le dépistage des parasites du paludisme. Ce cadre comprend l'empilement de nouveaux réseaux neuronaux à convolution Boosted-BR-STM (CNN) et de classificateurs d'apprentissage automatique en ensemble. Le Boosted-BR-STM proposé est basé sur un nouveau bloc STM (split transform merge) à convolution dilatée et sur les idées de Squeezing-Boosting (SB) des cartes de caractéristiques. De plus, le nouveau bloc STM utilise des opérations régionales et frontalières pour apprendre l'homogénéité, l'hétérogénéité et les contours des parasites du paludisme avec leurs motifs spécifiques. De plus, les canaux boostés diversifiés sont obtenus en utilisant SB basée sur l'apprentissage par transfert dans les blocs STM aux niveaux abstrait, moyen et final pour apprendre les variations minimes d'intensité et de texture du motif parasitaire. Le cadre DBEL proposé implique l'empilement de canaux boostés remarquables et diversifiés, fournissant ainsi les caractéristiques discriminantes générées par le Boosted-BR-STM développé à l'ensemble des classificateurs d'apprentissage automatique. Ce cadre améliore la capacité de discrimination et la généralisation de l'apprentissage en ensemble. De plus, les espaces de caractéristiques profondes du Boosted-BR-STM développé et des CNN personnalisés sont alimentés aux classificateurs d'apprentissage automatique pour une analyse comparative. Le cadre DBEL proposé surpasse les techniques existantes sur le jeu de données du paludisme NIH qui ont été améliorées en utilisant la transformation en ondelettes discrètes pour enrichir l'espace des caractéristiques. Le cadre DBEL proposé a atteint une précision de 98,50%, une sensibilité de 0,9920, un score F de 0,9850 et une AUC (aire sous la courbe) de 0,997, ce qui suggère qu'il peut être utilisé pour le dépistage des parasites du paludisme. En conclusion, le nouveau cadre d'apprentissage en profondeur et d'ensemble DBEL propose une approche novatrice pour le dépistage des parasites du paludisme. Il utilise le Boosted-BR-STM basé sur un bloc STM dilatée à convolution et SB des cartes de caractéristiques pour améliorer la capacité discriminative et la généralisation de l'apprentissage en ensemble. Les résultats expérimentaux montrent que ce cadre surpassent les techniques existantes et peut être utilisé efficacement dans le dépistage des parasites du paludisme.